SRCD：面向语义推理的复合域单域广义目标检测

本文提出了一种新的单域泛化目标检测（Single-DGOD）框架，旨在通过学习和保持自增强复合跨域样本的语义结构来提高模型的泛化能力。与在多个源域上训练的DGOD不同，仅依赖一个单一源域进行训练的Single-DGOD在泛化到多个目标域时面临更大的挑战。现有的方法大多采用类似于DGOD的方法，通过解耦或压缩语义空间来学习领域不变特征。然而，这些方法可能存在两个潜在限制：1）伪属性-标签相关性，由于单域数据极其稀少；2）通常忽略了语义结构信息，即我们发现样本中实例级语义关系的亲和力对模型泛化至关重要。为此，本文引入了基于复合领域的语义推理（SRCD）方法用于Single-DGOD。具体而言，我们的SRCD包含两个主要组件：纹理基础自增强（TBSA）模块和局部-全局语义推理（LGSR）模块。TBSA旨在通过轻量且高效的自增强手段消除图像级别上的无关属性与标签之间的关联效应，如光照、阴影、颜色等。此外，LGSR用于进一步建模实例特征上的语义关系，以揭示并保持内在的语义结构。大量实验在多个基准数据集上的结果证明了所提出的SRCD的有效性。